paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Semantic-aware Source Code Modeling

语义感知的源代码建模
ASE Proceedings of the 39th IEEE/ACM International Conference on Automated Software Engineering2024匹配度 4/10 · 该论文属于机器学习与程序语言交叉，涉及代码建模、代码生成、缺陷修复和程序分析，可能间接服务于程序分析；但未聚焦静态分析、LLM/Agent、浮点程序分析或贝叶斯程序分析等用户核心方向，且摘要较宽泛，缺乏与用户研究画像的直接对应。引用 0 inbox
Yangruibo Ding
机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：通过训练深度神经网络学习代码的统计规律并融入语义信息，以自动化代码生成、缺陷修复和程序分析。

本文探讨语义感知的源代码建模这一研究方向，旨在利用深度神经网络学习人类编写程序中的统计可预测性，从而自动化软件开发任务，如代码生成、缺陷修复和程序分析。虽然摘要未详述具体方法，但标题强调“语义感知”，暗示将程序语义信息融入神经模型以提高建模质量。该方向有望提升开发者生产力、代码质量和整体软件开发生命周期。

问题
如何通过深度神经网络建模源代码，以自动化和提升软件开发任务（如代码生成、缺陷修复、程序分析）的效率与质量。
方法
训练深度神经网络学习人类编写程序中的统计可预测性，并（根据标题）融入语义感知以增强模型对程序语义的理解。
评估
摘要未明确说明评估方式，预期通过代码生成、缺陷修复、程序分析等下游任务的性能来验证。
原文摘要（Abstract）

Source code modeling represents a promising avenue for automating software development, such as code generation, bug repair, and program analysis. This research direction aims to train deep neural nets to learn the statistical predictability inherent in human-written programs to enhance developer productivity, code quality, and the overall software development life cycle.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot8386,
  title = {Semantic-aware Source Code Modeling},
  author = {Yangruibo Ding},
  booktitle = {ASE},
  year = {2024},
  doi = {10.1145/3691620.3695605}
}